基于深度信念网络的车牌字符识别算法研究与实现
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第9-19页 |
| 1.1 课题背景与意义 | 第9页 |
| 1.2 车牌字符识别研究现状 | 第9-16页 |
| 1.2.1 基于模板匹配的方法 | 第10-11页 |
| 1.2.2 基于k-NN分类器的方法 | 第11页 |
| 1.2.3 基于浅层神经网络的方法 | 第11-14页 |
| 1.2.4 基于SVM的方法 | 第14-16页 |
| 1.2.5 浅层结构学习算法存在的问题 | 第16页 |
| 1.3 深度学习技术 | 第16-17页 |
| 1.4 课题内容与论文结构 | 第17-19页 |
| 1.4.1 课题内容 | 第17-18页 |
| 1.4.2 论文结构 | 第18-19页 |
| 2 基本概念与理论 | 第19-30页 |
| 2.1 马尔可夫链及其平稳分布 | 第19-20页 |
| 2.2 马尔可夫链蒙特卡罗方法 | 第20-22页 |
| 2.3 GIBBS采样 | 第22-23页 |
| 2.4 受限波尔兹曼机 | 第23-27页 |
| 2.4.1 RBM网络结构 | 第23-24页 |
| 2.4.2 RBM的训练方法 | 第24-26页 |
| 2.4.3 对比散度算法 | 第26-27页 |
| 2.5 深度信念网络 | 第27-29页 |
| 2.5.1 DBN的网络结构 | 第27-28页 |
| 2.5.2 DBN的训练方法 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 基于深度信念网络的字符识别算法 | 第30-51页 |
| 3.1 字符识别算法流程 | 第30-31页 |
| 3.2 图像预处理与特征提取 | 第31-34页 |
| 3.2.1 图像预处理 | 第31-33页 |
| 3.2.2 特征提取 | 第33-34页 |
| 3.3 DBN分类器设计 | 第34-38页 |
| 3.3.1 DBN分类器的结构 | 第34页 |
| 3.3.2 DBN网络深度 | 第34-36页 |
| 3.3.3 隐单元类型及数量 | 第36-38页 |
| 3.4 DBN分类器的训练 | 第38-42页 |
| 3.4.1 贪心逐层训练 | 第38-39页 |
| 3.4.2 基于BP算法的全局训练 | 第39-42页 |
| 3.5 RBM训练 | 第42-45页 |
| 3.5.1 训练集分批 | 第42-43页 |
| 3.5.2 权重与偏置的初始化 | 第43页 |
| 3.5.3 单元状态更新 | 第43-44页 |
| 3.5.4 学习率选择 | 第44-45页 |
| 3.5.5 停止判据 | 第45页 |
| 3.6 训练样本生成 | 第45-50页 |
| 3.6.1 恶劣条件车牌图像分析 | 第46-48页 |
| 3.6.2 训练样本生成 | 第48-50页 |
| 3.7 本章小结 | 第50-51页 |
| 4 实验与分析 | 第51-60页 |
| 4.1 字符识别测试 | 第51页 |
| 4.2 与其他算法的比较 | 第51-59页 |
| 4.2.1 模糊字符集 | 第52-54页 |
| 4.2.2 噪声字符集 | 第54-55页 |
| 4.2.3 残缺字符集 | 第55-56页 |
| 4.2.4 倾斜字符集 | 第56-58页 |
| 4.2.5 结论 | 第58-59页 |
| 4.3 本章小结 | 第59-60页 |
| 5 算法性能优化 | 第60-70页 |
| 5.1 RBM训练过程优化 | 第60-63页 |
| 5.1.1 冲量 | 第60-61页 |
| 5.1.2 改进的冲量因子 | 第61-63页 |
| 5.2 全局训练的并行优化 | 第63-64页 |
| 5.3 识别过程的并行优化 | 第64-66页 |
| 5.4 算法性能测试 | 第66-68页 |
| 5.5 本章小结 | 第68-70页 |
| 6 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 作者简介 | 第77页 |
